简·奥斯丁的大数据信用评级
虽然只有百分之二十五的中国人口具有可信赖的信誉历史，但其中百分之五十三点二的人在网络上产生数字足迹。中国FinTech公司正在竞相收集这些社交数据点，并将其用于以前不可观察的百分之七十五的信用评分。这些Fintech的数字足迹可能会提供替代的，即使不是更准确的信用评分。
他们如何使用大数据和机器学习来计算信用评分？这是简·奥斯丁和文学学生的解释。想象这台机器作为大学文学生。该机器研究一个人的某些特征与她的信誉之间的关系，就像学生建立某种类型的奥斯汀女性角色与未来丈夫的财富之间的关系。
这位学生阅读了一些但并非全部的简·奥斯丁的小说，现在她正在读一本新的骄傲与偏见。她想知道哪位女性的角色将会与故事中最富有的人结婚。根据以前的奥斯汀读物，她知道如果一个女孩和一个年轻人一起逃跑，那女孩通常最终不会和最富有的人结婚。学生们快速翻转骄傲偏见，并看到一个题为“丽迪娅的舞台”的章节，然后她假设丽迪娅不会嫁给最富有的人，而不需要知道丽迪娅是谁，还有什么是维多利亚社会的婚姻手段。
与机器学习相同 该机器从过去贷款申请人的数据点中学习。这些数据点包括申请人在填写申请时的基本个人信息以及填写过程中所做的更正次数。此外，如果申请人同意，FinTech公司也可以访问她的第三方数据，例如Wechat时刻或天猫购物记录。
以互联网券商的行业视角获悉，假设一台机器从以前的贷款记录中学到，在填写贷款申请时，修改ID号码十次的人的违约率比首次得到正确的更高的默认率，机器将会处理“身份证号码纠正“作为对信誉有负面影响的相关参数。将使用这一假设来研究未来申请人并计算其信用评分。
机器学习，就像文学生一样。因此，机器学习的相关数据点越多，其获得的更智能。
然而，文学学生和机器之间存在着重要的区别 - 机器没有一个内置的价值体系，它是什么是好的，什么是坏的。当机器给贷款申请人分配较低的信用评分时，并不等于“低”与“坏”。这是Remark Holdings的首席技术官Jason Wei在接受“福布斯”亚洲采访时强调了很多次 - 机器并没有“判断”，它只是建立参数和结果之间的联系。
机器的预测可能是准确的，但也可能不会原谅过去的错误。该机器根据她过去所做的一切和她所做的一切，预测了一个人的未来行为。虽然这些预测确实有证据，但它们可能被解释为人类歧视，过去并不总是对未来产生影响，奇迹也会发生。